版权声明：本文为博主原创文章，如需转载请贴上原博文链接：基于Python的量化交易回测框架Backtrader初识记录（二）-CSDN博客
前言：在上一篇文章 基于Python的量化交易回测框架Backtrader初识记录（一）中，已经初步建立了策略框架并进行了简单回测，但是使用的个股数据还是未复权的，导致K线图看上去显得很异常（例如会出现大幅跳空），且如果建立在未复权的数据上进行量化策略回测操作，很可能会造成策略失效或者异常执行，故本篇借助Tushare的复权因子将个股数据进行前复权处理并制定简单的sma量化策略进行回测验证。
目录
一、数据准备
1.1 个股数据获取
1.2 前复权数据处理
二、简单的SMA量化策略回测
2.1 指标定义
2.2 策略制定
2.2.1 入场/出场策略
2.2.2 买入策略
2.2.3 卖出策略
三、实例“000001.SZ 平安银行”的简单SMA量化策略回测
附：多种个股的SMA量化策略回测结果
盈利实例
亏损实例
一、数据准备
1.1 个股数据获取
本篇内容基于《A股行情数据获取&量化交易策略的结构设计》项目完成，故直接使用本地数据库中的数据完成回测。
1.2 前复权数据处理
当完成上述项目中的前两个步骤之后，个股数据就全部存储到本地了，那么接下来就要将复权因子存储到本地，运行`Module/mysql_data_storage.py`文件后，如图1.1所示，就在本地新建了关于复权因子的数据库。
【在进行前复权数据处理过程中遇到一些问题，比如复权因子数量多于个股日线行情数量而并非一一对应（猜测因为个股在不开盘期间是没有数据的，而复权因子是一年365天都有数据所导致的），但此处不是本文重点故作简述】
二、简单的SMA量化策略回测
2.1 指标定义
在策略类的初始化函数中定义需要使用到的指标，如下代码所示，使用到的指标总共就三个，分别是`MovingAverageSimple`、`AccelerationDecelerationOscillator`和`RelativeStrengthIndex`，其中主要通过`MovingAverageSimple`指标来进行买卖点的判断，剩余两个作为辅助指标：
MovingAverageSimple()：简单移动平均线
AccelerationDecelerationOscillator()：加速/减速振荡器（协助判断趋势变化的量能）
RelativeStrengthIndex()：相对强度指数（协助判断股票买卖力量对比）
class MyStrategy(bt.Strategy):
# 设置周期（数字代表天数）
params = (('p5', 5), ('p10', 10), ('p20', 20), ('p30', 30), ('p45', 45), ('p60', 60))
def __init__(self, ):
"""Constructor for MyStrategy"""
# 使用数据的close（收盘价格）
self.dataclose = self.datas[0].close
# 跟踪待处理订单、买价、佣金
self.order = None
self.buyprice = None
self.buycomm = None
# ============ 参数与指标定义 ============
# 添加SMA指标
self.sma_5 = bt.indicators.MovingAverageSimple(period=self.p.p5)
self.sma_10 = bt.indicators.MovingAverageSimple(period=self.p.p10) # 默认均线周期是10天，可自行设置
self.sma_20 = bt.indicators.MovingAverageSimple(period=self.p.p20) # 默认均线周期是20天，可自行设置
self.sma_30 = bt.indicators.MovingAverageSimple(period=self.p.p30) # 默认均线周期是30天，可自行设置
self.sma_45 = bt.indicators.MovingAverageSimple(period=self.p.p45) # 默认均线周期是45天，可自行设置
self.sma_60 = bt.indicators.MovingAverageSimple(period=self.p.p60) # 默认均线周期是60天，可自行设置
# 买卖点标志
self.count = 0
self.sma_bs1 = self.sma_5 - self.sma_10 # >0：5天均线由零值以下上穿10天均线；<0：反之同理
self.sma_bs2 = self.sma_20 - self.sma_30 # >0：20天均线由零值以下上穿30天均线；<0：反之同理
# 添加辅助指标
self.accdeosc = bt.indicators.AccelerationDecelerationOscillator() # 加减速振荡器
self.rsi = bt.indicators.RelativeStrengthIndex() # 相对强弱指标2.2 策略制定
想要在市场中获利，从趋势角度而言，上升趋势会比在下降趋势中更容易；从收益角度而言，卖出价格一定要高于买入价格（在不考虑佣金等其他费用的情况下，至少卖出价格要不低于买入价格）才不会有亏损，那么根据这三个指标建立的策略如下所示：
def next(self):
"""
# 策略核心：均线和趋势能量买卖策略
:return:
"""
# 显示收盘价
self.log('Close, %.2f' % self.dataclose[0])
# 如果存在待处理订单则不能发起第二个订单
if self.order:
return
# 检查是否在市场（如果已经有仓位则不能再次买入）
if not self.position:
# 买入前提：均线不能呈下降趋势
# 买点要求（需要同时满足）：
# 1.20天均线上穿30天均线
# 2.20天均线呈上升趋势
# 3.连续两天下跌的能量变弱或连续两天上涨的能量变强
if not self.sma_30 < self.sma_45 < self.sma_60: # 60天、45天、30天均线依次呈下降趋势，且前一根压着后一根
if (self.sma_bs2[-1] < 0 < self.sma_bs2[0]) and \
(self.sma_20[-1] < self.sma_20[0]) and \
(self.accdeosc[-2] < self.accdeosc[-1] < self.accdeosc[0]):
self.log('BUY CREATE, %.2f' % self.dataclose[0])
self.order = self.buy() # 跟踪创建的订单，避免出现第二个订单
else:
# 卖出前提：上升趋势减弱或被向下突破则卖出
# 卖点要求（需要同时满足）：
# 1.连续两天收盘价在20天均线以下
# 2.连续三天上涨的能量变弱或连续下跌的能量变强
# 3.五天均线在10天或20天均线之下
if self.accdeosc[-1] > self.accdeosc[0]:
self.count += 1
if self.dataclose[0] < self.sma_20 and \
self.dataclose[-1] < self.sma_20 and \
self.count >= 3 and \
(self.sma_5 < self.sma_10 or self.sma_5 < self.sma_20):
self.log('SELL CREATED, %.2f' % self.dataclose[0])
self.order = self.sell() 下面简述一下买卖策略的主要思路：
2.2.1 入场/出场策略
首先最重要的就是，在卖出股票之前，你在市场上必须得要有仓位，换句话说就是，你手上一定要有股票才能够卖出（这里仅针对股票，不针对期货等其他金融产品），这里设计的就是最简单的进场/出场策略：空仓才能执行买策略，非空仓（即有仓位）才能执行卖策略。
if not self.position:
xxx
else:
xxx2.2.2 买入策略
如前面所说，买入是为了盈利的，那么在下降趋势下盈利的可能就没有在上升趋势下盈利的可能性高，所以给出买入之前的大前提：市场必须不能处在下降趋势下：
# 60天、45天、30天均线依次呈下降趋势，且前一根压着后一根
if not self.sma_30 < self.sma_45 < self.sma_60:
xxx当然，这样定义上升趋势不太严谨 ，有过实操经验的都知道，更加严谨的表达应该是：短期移动均线压制中期移动均线，中期移动均线压制长期移动均线，同时各个时期的均线也要依次上升，简单代码化之后应该写成：
if (self.sma_30 > self.sma_45 > self.sma_60) and \
(self.sma_30[-1] > self.sma_30[0]) and \
(self.sma_45[-1] > self.sma_45[0]) and \
(self.sma_60[-1] > self.sma_60[0]):但是这样依然会带来影响，过于严苛的策略条件一方面很可能没有符合的标的，另一方面即使有符合的标的，能够处于如此严苛条件下的时期也不会很长，为了追求完美的交易策略只会损失掉更多的收益。如此我们暂且放宽要求与范围，来制定买入策略。
# >0：5天均线由零值以下上穿10天均线；<0：反之同理
self.sma_bs1 = self.sma_5 - self.sma_10
# >0：20天均线由零值以下上穿30天均线；<0：反之同理
self.sma_bs2 = self.sma_20 - self.sma_30=======================================================
① self.sma_bs2[-1] < 0 < self.sma_bs2[0] -> 20日均线上穿30日均线
② self.sma_20[-1] < self.sma_20[0] -> 20日均线呈上升趋势
③ self.accdeosc[-2] < self.accdeosc[-1] < self.accdeosc[0] -> 连续两天下跌的能量变弱或连续两天上涨的能量变强
当满足以下三点，就是进场买入的时机：① 20天均线上穿30天均线；② 20天均线呈上升趋势；③ 连续两天下跌的能量变弱或连续两天上涨的能量变强；
2.2.3 卖出策略
看到这里，如果有小伙伴说，卖出策略就仿照买入策略来制定呗：当行情出现下降趋势就卖出；如果这样操作可要出大事了！真的要等到行情出现下降趋势，很可能股价都已经跌到谷底了，那要如何制定卖出策略呢？在制定卖出策略之前，要清楚我们的目的是什么，很显然是要盈利，要让我们手中的筹码来给我们赚钱，那么如何才能有盈利呢？
正如2.2节刚开始所说的，卖出价格高于买入价格即可（不考虑其他费用），这就是卖出操作的其中一种：止盈；当然第二种卖出操作就是止损，本节主要针对第一种卖出操作进行策略规划。
在卖出之前，先让策略自己记录当前趋势的能量，如下，每当后一天能量小于前一天能量，那么计数器就＋1：
if self.accdeosc[-1] > self.accdeosc[0]:
self.count += 1当同时满足下列四个条件，则卖出；
① self.dataclose[0] < self.sma_20
② self.dataclose[-1] < self.sma_20 -> ①和②：连续两天的收盘价低于20日均线
③ self.count >= 3 -> 连续三天上涨的能量变弱或连续下跌的能量变强
④ self.sma_5 < self.sma_10 or self.sma_5 < self.sma_20 -> 五天均线在10天或20天均线之下
当然，同时满足四个条件再执行卖出操作难免会太过绝对，而且可能会出现第一天刚买入就开始下跌，来不及止损，到第二天再卖出就已经亏损的情况，这时就需要对策略进行相应的优化了。
三、实例“000001.SZ 平安银行”的简单SMA量化策略回测
如图3.1所示为平安银行2022年1月1日至今的SMA量化策略的回测结果，自上而下：
第一栏（‘Broker’——（券商）经纪人/代理人，此处的券商相当于你的代理人，由你的代理人代替你进行交易操作）表示券商手中的现金和股票总价值，红色线表示券商手中的现金余量，蓝色线表示券商手中现金和手中持股的总价值；
第二栏（‘Trades - Net Profit/Loss’——交易净利润/亏损）展示的就是量化交易策略执行的两次买卖操作，蓝色点表示该次操作获得利润，红色点表示该次操作亏损；
第三栏就是K线和成交量主体以及各类移动平均线，绿色^表示买入K线，红色v表示卖出K线；
第四栏是ACCDE（加速/减速振荡器）指标，用来辅助进行策略买卖；
第五栏是RSI（相对强度指数）指标，同样用来辅助进行策略买卖；
经历两年多，该量化策略只进行了两次买卖操作，没有丰厚的盈利也没有造成大幅亏损，从K线图来看，可是存在不少可交易的买卖点的，但是该策略却没有如愿的进行，由此也可见固定的策略依然不能够很好的匹配个股，看来简单的指标还是有局限性，后续会再尝试不同的指标来制定不同的量化策略。至此，简单的SMA量化策略回测结束，以下附带一些其他的个股通过该策略所得的回测结果。
附：多种个股的SMA量化策略回测结果
盈利实例
亏损实例
以上结果均可自行复现，代码见1.1节中的项目。
